5,443
个编辑
更改
跳到导航
跳到搜索
第279行：
第279行： − + − |+图1+ − − \begin{figure}[htbp] − \centering − \includegraphics[width=0.6\textwidth]{空间因果涌现例1-微观.png} % 插入图片 − \caption{图 1} % 标题放在图片下方 − \end{figure}
→提高确定性实例分析
* 最后，根据EI的公式可以计算得到有效信息[math]EI(P_m) = Det(P_m) - Deg(P_m) = 1.35 - 0.20 = 1.15 \text{ bits}[/math]，[math]Eff(P_m) = EI(P_m)/ \log N = 1.15/4 = 0.29[/math]，其中Det表示确定度，Deg表示简并度。
* 最后，根据EI的公式可以计算得到有效信息[math]EI(P_m) = Det(P_m) - Deg(P_m) = 1.35 - 0.20 = 1.15 \text{ bits}[/math]，[math]Eff(P_m) = EI(P_m)/ \log N = 1.15/4 = 0.29[/math]，其中Det表示确定度，Deg表示简并度。
{| style="text-align: center;"
{
[[文件:空间因果涌现例1-微观.png|无框|600x400像素]]
[[文件:空间因果涌现例1-微观.png|无框|600x400像素]]
caption="图 1"
|}
|}
'''粗粒化映射'''：Hoel等人给出的具体的粗粒化方案为：将微观变量集合[math]X_m = \{ABCD\}[/math]归并为两个宏观变量，即[math]X_M = {α, β}[/math]，其中[math]\alpha=AB[/math]，[math]\beta=CD[/math]。并且，[math]\alpha,\beta[/math]的取值集合为：{"off" ,"on"}。同时，我们可以定义微观变量取值到宏观变量取值的对应规则，如图B中的表所示。
'''粗粒化映射'''：Hoel等人给出的具体的粗粒化方案为：将微观变量集合[math]X_m = \{ABCD\}[/math]归并为两个宏观变量，即[math]X_M = {α, β}[/math]，其中[math]\alpha=AB[/math]，[math]\beta=CD[/math]。并且，[math]\alpha,\beta[/math]的取值集合为：{"off" ,"on"}。同时，我们可以定义微观变量取值到宏观变量取值的对应规则，如图B中的表所示。